参照：
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.scriptrunco​​nfig

トピック1、概要
データセット
ロンドンとパリの 2 つの都市の物件詳細を含む、次の列を持つ CSV 形式のデータセットが 2 つあります。

2 つのデータセットは、個別のデータセットとして Azure Machine Learning Studio に追加され、実験の開始点として組み込まれています。
データセットの問題
両データセットのAccessibilityToHighway列には欠損値が含まれています。欠損値を補う前に、データ内の他の変数を用いて条件付きでモデル化できるよう、欠損データを新しいデータに置き換える必要があります。
各データセットの列には欠損値とNULL値が含まれています。また、データセットには多くの外れ値が含まれています。Age列には外れ値の割合が高いため、Age列に外れ値がある行を削除する必要があります。MedianValue列とAvgRoomsinHouse列はどちらも数値形式のデータを保持しています。2つの列の関係をより詳細に分析するには、特徴選択アルゴリズムを選択する必要があります。
モデルの適合
モデルは過剰適合の兆候を示しています。過剰適合を軽減する、より洗練された回帰モデルを作成する必要があります。
実験要件
パフォーマンスを評価するには、線形回帰モジュールとベイジアン線形回帰モジュールを相互検証する実験を設定する必要があります。
いずれの場合も、データセットの予測変数は「MedianValue」という列です。初期調査の結果、データセットの構造は「MedianValue」列を除いて同一であることがわかりました。小さい方のパリデータセットにはテキスト形式の「MedianValue」が含まれていますが、大きい方のロンドンデータセットには数値形式の「MedianValue」が含まれています。パリデータセットの「MedianValue」列のデータ型が、ロンドンデータセットの構造と一致していることを確認する必要があります。
結果を予測するためには、データ列に優先順位を付ける必要があります。関係性を測定するには、非パラメータ統計を使用する必要があります。
MedianValue 列と AvgRoomsinHouse 列の関係を分析するには、特徴選択アルゴリズムを使用する必要があります。
モデルのトレーニング
学習済みモデルとテストデータセットが与えられた場合、特徴変数の順列特徴量重要度スコアを計算する必要があります。モデルの精度を調査し、結果を再現するために適切なメトリックを選択するには、順列特徴量重要度モジュールを設定する必要があります。
モデルの学習プロセスにおいてハイパーパラメータを設定することで、ハイパーパラメータを用いて学習フェーズを高速化できます。さらに、この設定により、各評価間隔においてパフォーマンスが最も低い実行がキャンセルされ、より成功する可能性の高いモデルに労力とリソースを集中させることができます。
モデルがハイパーパラメータチューニングにおいて計算リソースを効率的に使用していないのではないかと懸念しています。また、モデルが全体的なチューニング時間の増加を抑制してしまう可能性も懸念しています。そのため、有望なジョブを終了させることなくコスト削減を実現する早期停止基準をモデルに実装する必要があります。
テスト
Azure Machine Learning Studio のパーティションとサンプル モジュールを使用して、サンプリングに基づいてデータセットの複数のパーティションを作成する必要があります。クロス検証用に、3 つの均等なパーティションを作成する必要があります。また、テスト データセットとトレーニング データセットの行が、各都市の主要な河川に近い物件ごとに均等に分割されるように、クロス検証プロセスを構成する必要があります。物件が河川に近いことを識別するデータは、「NextToRiver」という列に保持されています。このタスクは、データがサンプリング プロセスを通過する前に完了する必要があります。
大都市の不動産価格データを示す不動産データセットを使用して線形回帰モジュールをトレーニングする場合、モデルで使用する最適な特徴量を決定する必要があります。特徴量の重要度プロセスの完了前と完了後のパフォーマンスを測定するために提供されている標準メトリックを選択できます。複数のトレーニングモデル間で特徴量の分布が一貫していることを確認する必要があります。
データの視覚化
Fabrikam Residencesチームにテスト結果を提供する必要があります。結果の提示を容易にするために、データビジュアライゼーションを作成します。
モデルの診断テスト評価を行うには、受信者動作特性（ROC）曲線を作成する必要があります。Azure Machine Learning StudioでROC曲線を作成するための適切な方法を選択し、2クラス決定フォレストと2クラス決定ジャングルのモジュールを相互に比較する必要があります。

説明
Azure Container Instances は、テストまたは開発用のコンピューティング先として使用できます。48 GB 未満の RAM を必要とする小規模な CPU ベースのワークロードに使用できます。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/service/how-to-deploy-and-where

参照：
https://docs.microsoft.com/en-us/azure/machine-learning/データへのアクセス方法